論文の概要: Measuring Outcomes in Healthcare Economics using Artificial Intelligence: with Application to Resource Management

• arxiv url: http://arxiv.org/abs/2111.07503v1
• Date: Mon, 15 Nov 2021 02:39:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 04:11:55.563187
• Title: Measuring Outcomes in Healthcare Economics using Artificial Intelligence: with Application to Resource Management
• Title（参考訳）: 人工知能を用いた医療経済学の成果測定と資源管理への応用
• Authors: Chih-Hao Huang, Feras A. Batarseh, Adel Boueiz, Ajay Kulkarni, Po-Hsuan Su, Jahan Aman
• Abstract要約: 多くの場合、そのような出来事は、病院における複数の医療・経済的な側面と同様に、意思決定において重大な不確実性を引き起こす。 この原稿は、医療管理者が経済を組織化し、資源配分と共有の最も最適な計画を特定するのに役立つ3つのデータ駆動手法を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quality of service in healthcare is constantly challenged by outlier events such as pandemics (i.e. Covid-19) and natural disasters (such as hurricanes and earthquakes). In most cases, such events lead to critical uncertainties in decision making, as well as in multiple medical and economic aspects at a hospital. External (geographic) or internal factors (medical and managerial), lead to shifts in planning and budgeting, but most importantly, reduces confidence in conventional processes. In some cases, support from other hospitals proves necessary, which exacerbates the planning aspect. This manuscript presents three data-driven methods that provide data-driven indicators to help healthcare managers organize their economics and identify the most optimum plan for resources allocation and sharing. Conventional decision-making methods fall short in recommending validated policies for managers. Using reinforcement learning, genetic algorithms, traveling salesman, and clustering, we experimented with different healthcare variables and presented tools and outcomes that could be applied at health institutes. Experiments are performed; the results are recorded, evaluated, and presented.
• Abstract（参考訳）: 医療におけるサービスの質は、パンデミック(コビッド19)や自然災害(ハリケーンや地震など)といった不適切な出来事に常に挑戦されている。 多くの場合、そのような出来事は、病院における複数の医療・経済的な側面と同様に、意思決定において重大な不確実性を引き起こす。 外部(地理的)または内部的要因(医学的および管理的)は、計画と予算編成のシフトにつながりますが、最も重要なのは、従来のプロセスに対する信頼を低下させます。 場合によっては、他の病院からの援助が必要であることが証明され、計画面が悪化する。 この原稿は、医療管理者が経済を組織化し、資源配分と共有の最も最適な計画を特定するのに役立つデータ駆動指標を提供する3つのデータ駆動手法を提示する。 従来の意思決定方法は、マネージャに検証済みのポリシーを推奨するに足りません。 強化学習,遺伝的アルゴリズム,トラベルセールスマン,クラスタリングを用いて,さまざまな医療変数を実験し,医療機関に適用可能なツールと結果を提示した。 実験が行われ、結果が記録され、評価され、提示される。

関連論文リスト

• AI-Driven Healthcare: A Survey on Ensuring Fairness and Mitigating Bias [2.398440840890111]
  AIアプリケーションは、診断精度、治療のパーソナライゼーション、患者の結果予測を大幅に改善した。 これらの進歩は、実質的な倫理的・公正性の課題ももたらした。 これらのバイアスは、医療提供の格差をもたらし、異なる人口集団の診断精度と治療結果に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-07-29T02:39:17Z)
• Leveraging graph neural networks for supporting Automatic Triage of Patients [5.864579168378686]
  本稿では,救急部門における緊急コード割り当てを管理するためのAIベースのモジュールを提案する。 バイタルサイン、症状、医療史などの関連する患者情報を含むデータは、患者をトリアージカテゴリーに正確に分類するために使用される。
  論文  参考訳（メタデータ） (2024-03-11T09:54:35Z)
• Predictive and Prescriptive Analytics for Multi-Site Modeling of Frail and Elderly Patient Services [0.0]
  本研究の目的は、需要が増大している医療分野における、様々な予測的、規範的分析手法が、運用上の課題にどのように貢献するかを評価することである。 規範的な面では、ベッドや病棟のスタッフを最適に計画する方法を決定するための決定論的プログラムと2段階プログラムが開発されている。 我々の研究は、医療管理者が予測モデルと規範モデルを使ってより情報的な意思決定を行うことを検討すべきであることを明らかにしている。
  論文  参考訳（メタデータ） (2023-11-13T12:25:45Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Incentive-Theoretic Bayesian Inference for Collaborative Science [59.15962177829337]
  未知のパラメータについて、プライベートな先行エージェントが存在する場合の仮説テストについて検討する。 エージェントの戦略行動によって明らかにされる情報を活用する統計的推論を行う方法を示す。
  論文  参考訳（メタデータ） (2023-07-07T17:59:01Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Improving healthcare access management by predicting patient no-show behaviour [0.0]
  本研究は,参加を促す戦略の実装を支援するため,DSS(Decision Support System)を開発する。 回帰モデルの精度を向上させるために,異なる機械学習手法の有効性を評価する。 過去の研究で報告された関係の定量化に加えて、収入と近隣の犯罪統計はノーショー確率に影響を与えることが判明した。
  論文  参考訳（メタデータ） (2020-12-10T14:57:25Z)
• Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
  実生活では、情報取得は患者の医療検査に該当する可能性がある。 本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。 この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
  論文  参考訳（メタデータ） (2020-11-02T08:46:27Z)
• Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels [10.985001960872264]
  本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。 その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
  論文  参考訳（メタデータ） (2020-06-24T02:15:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。